Clase 08 · 16 minGratis

Tus datos están sucios (y ni siquiera lo sabes): limpieza de datos con Pandas

Clase 8 del curso gratis de Python para Análisis de Datos: leer un Excel con Pandas, qué es un NaN, dropna, unificar texto y exportar el resultado limpio.

Por más experto que seas en machine learning o en inteligencia artificial, si no tienes buenos datos no puedes hacer nada. Ningún dataset del mundo real llega perfecto: hay vacíos, formatos distintos, texto escrito de mil maneras. Limpiar datos es dejarlos en un formato consistente antes de analizarlos.

Leer un Excel con Pandas

Con open() no se puede leer un Excel (no es texto plano). Pandas sí:

python
import pandas as pd

gastos = pd.read_excel("gastos.xlsx")

Pandas lee muchos formatos: read_csv, read_json, read_parquet, incluso tablas de bases de datos. Si el archivo está dentro de carpetas, escribes su ruta completa.

Mirar antes de tocar

python
gastos.head()      # las primeras filas (5 por defecto; .head(2) muestra 2)
gastos.tail()      # las últimas
gastos.sample(3)   # 3 filas al azar

NaN: Not a Number

Donde tu Excel tenía una celda vacía, Pandas muestra NaN (del inglés Not a Number). Pandas no sabe qué hay ahí, pero sabe que no es un número, y eso impide hacer cálculos correctos.

python
gastos.isna().sum()   # cuántos vacíos hay en cada columna

Quitar lo incompleto: dropna

Si esos registros no son representativos, la decisión más simple es quitarlos:

python
limpios = gastos.dropna()                      # quita filas con algún vacío
limpios = gastos.dropna(subset=["valor"])      # solo si falta el valor

Unificar el texto

café , CAFÉ y Café son lo mismo para ti, pero no para Python. Se unifican con los métodos de texto (.str):

python
limpios["categoria"] = limpios["categoria"].str.strip().str.upper()

strip() quita los espacios de los extremos; upper() pasa todo a mayúsculas (también existen lower() y title()). Es normal no recordar cada comando: la documentación de Pandas está para eso.

Guardar el resultado

python
limpios.to_excel("gastos_limpios.xlsx", index=False)

Lo mejor: el proceso queda automatizado. La próxima vez que llegue un archivo nuevo, ejecutas el notebook y sale limpio.

El reto de esta clase

Un Excel lleno a mano con vacíos y categorías mal escritas: cuenta los vacíos, quita las filas sin valor, deja las categorías bien escritas y exporta el resultado. Enunciado y solución en el material de la clase.

Te avisamos de cada clase nueva

Un correo el día del estreno, con el video y sus apuntes. Gratis, y te das de baja cuando quieras.

Gratis y sin tarjeta. Te escribimos para avisarte de cada clase y puedes darte de baja cuando quieras.

Seguir el canal de WhatsApp